Volovetskyi O. Predictive control of nonlinear magnetic separation process based on kernel functions

Українська версія

Thesis for the degree of Doctor of Philosophy (PhD)

State registration number

0826U003635

Thesis Registration Form

0826U003635.pdf

Applicant for

Specialization

  • 151 - Автоматизація та комп’ютерно-інтегровані технології

Specialized Academic Board

PhD 16166

Kryvyi Rih National University

Essay

The dissertation is devoted to solving an important scientific and technical problem of improving the control quality of iron ore magnetic separation by developing a methodology for constructing an integrated model predictive control system based on kernel functions. The aim of the research is to develop a K-MPC system that provides coordinated multivariable control of a nonlinear object with explicit consideration of technological constraints and adaptation to stochastic variability of raw material parameters. The object of the research is the control process of iron ore magnetic separation under conditions of nonstationarity of technological parameters and variability of mineralogical composition. The subject of the research is methods for constructing nonlinear predictive models based on kernel functions and algorithms of model predictive control for multivariable mineral processing systems with technological constraints. The first chapter presents a systematic analysis of magnetic separation on the PBM-90/250 drum separator as an automatic control object. The process is represented as a nonlinear MIMO system with three inputs, namely magnetic induction, pulp density and feed flow rate, and two outputs, namely iron content in concentrate and recovery ratio. A comparative analysis of physical-mechanical, regression, dynamic linearized, neural network, neuro-fuzzy and Volterra-kernel models is performed. A system-level contradiction is identified between nonlinear adequacy, computational efficiency and interpretability of the predictive model parameters. The second chapter develops an identification and model predictive control system for magnetic separation based on kernel regression methods in a reproducing kernel Hilbert space. The criterion of an analytically computable gradient of the predictive function is substantiated, and the expediency of using kernel ridge regression with the RBF kernel is shown. A K-MPC algorithm is synthesized, the structure of the weighting matrices is formed, a mechanism for self-ensuring the acceptability of local linearization is proposed, and a three-level adaptive SVR → KRR → GP architecture is developed. In this architecture, SVR is used for anomaly filtering, KRR acts as the main predictive model, and GP estimates uncertainty. The third chapter provides a formal substantiation of the correctness, stability and efficiency of the K-MPC system. A state-space model based on a lifting operator is constructed, which reduces the control problem with a nonlinear kernel model to a convex QP problem. Sufficient conditions for asymptotic stability are formulated using a Lyapunov function. The analytical KRR gradient and the statistical properties of the GP predictor are verified. Comparative analysis confirms that K-MPC achieves control quality comparable to NMPC with substantially lower computation time and outperforms PID control in accuracy, especially under process nonstationarity. The fourth chapter describes the software implementation of the K-MPC system as a modular architecture consisting of PlantDynamics, KernelModel, MPCController and AdaptiveIdentifier. A MiL platform for collinear verification of control algorithms is created, the models are parameterized using data from mining and processing plants of the Kryvyi Rih basin, and a four-phase industrial implementation plan is developed: offline identification, shadow mode, advisory mode and closed loop. A functional scheme for integrating the PBM-90/250 separator into the K-MPC loop is proposed, including a limited authority control mechanism and fallback to the basic PID mode in case of APC-level failures. The scientific novelty of the dissertation consists in substantiating a criterion for selecting a kernel predictive model for K-MPC based on the availability of a closed-form analytical gradient; establishing a sufficient condition for the acceptability of local linearization through the penalty weight matrix; developing adaptive identification of magnetic separation using a unified SVR–KRR–GP architecture; specializing the proof of asymptotic stability for K-MPC with a nonlinear kernel model; and proposing adaptive conservative correction of controller parameters based on the posterior uncertainty estimate of the GP supervisor. The practical value of the results lies in the creation of algorithmic and software tools for model predictive control of magnetic separation suitable for further industrial use at mining and processing plants. The results are used in the educational process of Kryvyi Rih National University and have been transferred to PJSC “Northern Mining and Processing Plant” as methodologies for constructing a kernel predictive model, tuning the penalty weight matrix of the predictive controller and performing adaptive process identification.

Read more

Research papers

1. Volovetskyi O. O. Utilizing Gaussian Process Regression for Nonlinear Magnetic Separation Process Identification. Informatyka, Automatyka, Pomiary w Gospodarce i Ochronie Środowiska (IAPGOS). 2024. Vol. 14, No. 3. P. 21– 28. DOI: 10.35784/iapgos.5954

2. Volovetskyi O. O. Methods of Filtering and Regression for Forecasting Noisy Timeseries Based on Machine Learning. Herald of Advanced Information Technology. 2025. Vol. 8, No. 1. P. 13–27. DOI: 10.15276/hait.08.2025.1

3. Volovetskyi O. Comprehensive methodology for creating enhanced datasets for modelling the process of magnetic separation of iron ore. Journal of Kryvyi Rih National University. 2024. Vol. 22, No. 2. P. 10–27. DOI: 10.31721/2306-5451-2024-2-22-10-27

4. Volovetskyi O. O. Development and Research of a Synthetic Data Generator for Modeling Technological Parameters of the Iron Ore Beneficiation Process. Вчені записки Таврійського національного університету імені В. І. Вернадського. Серія: Технічні науки. 2025. Т. 36, № 2. С. 49–54. DOI: 10.32782/2663-5941/2025.2.2/07

5. Volovetskyi O. Local Linearization of Kernel Models in Real Time as a Basis for Fast Optimization in MPC. Automation of Technological and Business Processes. 2025. Vol. 17, No. 4. P. 98–103. DOI: 10.15673/atbp.v17i4.3319

6. Воловецький О. О. Використання ядерних методів при керуванні процесами збагачення. Розвиток промисловості та суспільства: матеріали міжнародної науково-технічної конференції (м. Кривий Ріг, 2023). Кривий Ріг: Криворізький національний університет, 2023. С. 231.

7. Воловецький О. О., Тронь В. В. Предиктивне керування з урахуванням нелінійності в збагаченні руд. Комп'ютерні інтелектуальні системи та мережі: матеріали XVII Всеукраїнської науково-практичної WEB-конференції аспірантів, студентів та молодих вчених (м. Кривий Ріг, 2024). Кривий Ріг: Криворізький національний університет, 2024. С. 240– 242.

8. Воловецький О. О., Тронь В. В. Вибір методу регресії для моделювання динамічних систем: SVR vs GPR. ХІV Всеукраїнська конференція «Молоді вчені 2024 – від теорії до практики» (м. Дніпро, 2024). Дніпро: Інститут промислових та бізнес-технологій УДУНТ, 2024. С. 135– 141.

9. Воловецький О. Адаптивний метод фільтрації зашумлених даних у системах магнітної сепарації з використанням логарифмічної залежності ширини вікна. Збірник тез доповідей Всеукраїнської науково-практичної on-line конференції «Проблеми енергоефективності та автоматизації в промисловості та сільському господарстві» (м. Кропивницький, 2024). Кропивницький: Центральноукраїнський національний технічний університет, 2024. С. 191–193.

10. Воловецький О. О., Тронь В. В. Оптимізація алгоритмів SVR для швидкого прогнозування параметрів збагачення залізної руди з використанням обмеженого обсягу даних. Комп'ютерні інтелектуальні системи та мережі: матеріали XVIII Всеукраїнської науково-практичної WEB-конференції аспірантів, студентів та молодих вчених (м. Кривий Ріг, 2025). Кривий Ріг: Криворізький національний університет, 2025. С. 286– 289.

11. Воловецький О. О. Ефективність ядерного предиктивного керування процесом збагачення залізних руд: порівняльний аналіз. Development of Education, Science and Business: Results 2025: Proceedings of the International Scientific and Practical Internet Conference (Dnipro, Ukraine, 2025). Dnipro: FOP Marenichenko V. V., 2025. P. 153–154.

12. Воловецький О. О. Стабільність та робастність ядерного предиктивного керування процесом магнітної сепарації. Матеріали XVIII міжнародної науково-практичної конференції «Інформаційні технології і автоматизація – 2025» (м. Одеса, 2025). Одеса, 2025. С. 384–387.

13. Воловецький О. О. Процес переходу від статичної до динамічної системи магнітної сепарації. Розвиток промисловості та суспільства: матеріали міжнародної науково-технічної конференції (м. Кривий Ріг, 2025). Кривий Ріг: Криворізький національний університет, 2025. С. 336.

14. Воловецький О. О., Тронь В. В. Реалізація швидкого предиктивного керування (K-MPC) для складних промислових об'єктів в умовах цифрової трансформації. Виклики майбутнього: трансформації, стратегії адаптації та стійкість у міждисциплінарному вимірі: збірник тез Всеукраїнської науково-практичної конференції здобувачів вищої освіти та молодих вчених (м. Чернігів, 2025). Чернігів: ЗВО «Університет трансформації майбутнього», 2025. С. 199–201.

15. Volovetskyi O. Kernel-Based Predictive Control of Nonlinear Magnetic Separation Processes. Матеріали конференцій МЦНД (м. Суми, 2025). Суми: МЦНД, 2025. С. 212–217.

16. Воловецький О. О., Тронь В. В. Діагностика числової деградації Kernel-MPC при збільшенні горизонту прогнозування. Комп'ютерні інтелектуальні системи та мережі: матеріали XIX Всеукраїнської науково-практичної WEB-конференції аспірантів, студентів та молодих вчених (м. Кривий Ріг, 2026). Кривий Ріг: Криворізький національний університет, 2026. С. 306–308.

17. Воловецький О. О., Тронь В. В. Критерій вибору ядерної моделі для прогнозуючого керування на основі властивостей аналітичного градієнта. ХVІ Всеукраїнська конференція «Молоді вчені 2026 – від теорії до практики» (м. Дніпро, 2026). Дніпро: УДУНТ, ННІ Дніпровський металургійний інститут, 2026. С. 353–358.

18. Воловецький О. О., Тронь В. В. Протокольна модель забезпечення відтворюваності досліджень автоматизованих систем керування технологічними процесами. Інформаційні технології: теорія і практика: матеріали ІІІ (ІХ) Міжнародної науково-практичної конференції здобувачів вищої освіти і молодих учених (Харків–Запоріжжя–Дніпро, 25– 27 березня 2026 р.). Дніпро: Свідлер А. Л., 2026. С. 588–591.

Read more

Files

autoreferat-Анотація дисертації_Воловецький О-О-.pdf

ovolovetskyi_dissertation.pdf

Similar theses

0826U004443

Dmytro V. Gutovskyi

Automation of Control over Energy-Intensive Technological Processes

0826U004296

Vladyslav S. Temchur

Predictive diagnostics of rotating energy equipment based on neural network analysis of vibration signals

0826U004242

Andrii A. Savula

Automatic Control Systems Based on Acoustic Flaw Detection

0826U004130

Mykola V. Tarasenko

Software and hardware complex of the automated control system of the boiler unit for a thermal power plant

0826U003832

Mykhailo Z. Vasylenchuk

Mathematical modeling and synthesis of an automatic control system for an oil heater with an intermediate heat carrier